基于分页缓存模型的用户兴趣跟踪方法

对智能推荐系统中用户兴趣跟踪问题的研究,传统方法如时间窗口、遗忘函数等在表征用户兴趣模型时均未考虑兴趣主题概念相关性,无法充分利用用户历史数据,导致兴趣跟踪不准确。因此,本文提出了基于分页缓存的用户兴趣表征模型,形成基于主题的用户多兴趣域结构,并提出了相应的兴趣迁移检测SIM算法,该算法引入序列熵差,表征兴趣迁移的整体特性。实验表明,与传统方法相比,本文提出的方法具有更低的兴趣平均绝对偏差,能够更准确地表征用户兴趣迁移,从而获得更好的推荐质量和效率。

基于实时同步的分页缓存及分区存贮的海量数据查询优化研究

随着海量数据的集中出现,对数据中心的海量数据的组织、查询和存取日益成为影响其性能的关键因素。传统的数据库优化技术只能实现降低查询处理时间或减少存储以及维护开销中的某一个或者某几个,无法达到同时优化的效果。提出一种基于实时同步的分页缓存及分区存贮(DBMS-Cache-DCS)的海量数据查询优化方法,实验结果表明,通过该方法可以同时降低访问处理时间。

基于Web的高校FTP搜索引擎的技术研究

在教育网内FTP站点资源不断丰富的情况下,具备快速文件检索能力的搜索引擎对高校师生来说尤为重要.本文从分析高校FTP搜索引擎系统的整体结构出发,主要研究其信息采集技术的三个组件.并对提高搜索引擎效率的其他技术进行了详尽阐述.